COM MILLORAR LA INTERPRETACIÓ DE LES DADES I LA PRESA DE DECISIONS EN EL FUTBOL AMB L’ANÀLISI ESTADÍSTIC

La revolució tecnològica que en les últimes dècades ha modificat les nostres conductes més quotidianes, també ha arribat a l’esport. Cada vegada tenim a disposició més eines i instruments capaços de recollir una enorme quantitat de dades que ens poden ajudar a prendre millors decisions al camp o a la pista. Per això és interessant capturar tota aquesta informació, perquè pot ajudar a guanyar. Tanmateix, mentre s’ha desenvolupat un enorme esforç per millorar la sofisticació i immediatesa dels sistemes de recollida de dades, és possible que no s’hagi avançat tant en la interpretació adequada d’aquesta informació per ajudar els entrenadors a millorar la seva intervenció pràctica.

Possiblement aquesta limitació tingui molt a veure amb l’anàlisi estadístic de les dades. Tradicionalment, els investigadors de l’esport han basat els seus informes i propostes en l’aplicació del valor P. Un valor és significatiu “sí o no”. No hi ha més. Tanmateix, sembla que els models estadístics que permeten informar tant quantitativament com qualitativament sobre les probabilitats que els canvis trobats en una variable siguin reals, poden ser molt més útils.

En un recent article, Martin Buchheit¹ suggereix que els investigadors haurien d’abandonar el tradicional null hypothesis significance testing (NHST) i complementar-lo amb magnitude-based inferences (MBI) per diverses raons:

• Els valors de P i, alhora, les conclusions de l’estudi, depenen de la magnitud de la mostra (com més gran sigui n, més petita serà P), independentment de la magnitud de l’efecte.² Així, mentre es pot concloure, per exemple, que un suplement nutricional no és eficaç amb una mostra de 12 jugadors (P>0,05), la mateixa comparació fa que el tractament es converteixi en útil amb n=14 (P>0,05).³ En altres paraules, tenir dos subjectes més o menys en la mostra provoca un canvi complet en els resultats. Tot això és especialment rellevant quan s’estudien els esports d’equip, on la quantitat de jugadors analitzats és sempre relativament baixa. Els equips disposen de 12, 16 o 25 jugadors segons cada modalitat esportiva. No hi ha possibilitat de tenir més jugadors.
• La significació estadística no informa de la magnitud dels efectes, que és precisament el que més importa.⁴ Amb una dimensió de la mostra suficient, també els efectes molt petits (very small), trivials (trivial) o no pràctics (non-practical) es poden convertir en significatius (P<0,05). Per exemple, amb 200 jugadors una millora del 0.01% en el rendiment, NHST suggeriria l’eficàcia del suplement nutricional encara que realment sigui irrellevant la millora que genera. Tanmateix, és molt probable que entrenadors i jugadors, el que prefereixin sigui conèixer quant permet millorar el suplement.
• MBI permet als investigadors ser honestos amb la dimensió de la mostra i reconèixer millor els efectes trivials.
• L’examen de les magnituds per se ajuda a proporcionar millors preguntes d’investigació. Tenint en compte que la magnitud de l’efecte implica molt més que un sí o un no (NHST), les hipòtesis típiques que no tenen un clar fonament (l’aplicació d’x millora el rendiment) poden ser reemplaçades per enunciats més rellevants i concrets (l’aplicació d’x millora en aquest percentatge el rendiment).
• MBI és compatible amb fulls de càlcul disponibles gratuïtament a Internet ⁵.
• MBI permet una millor representació gràfica i visualització de les dades.

Al capdavall, en la interpretació de les dades i la comunicació als entrenadors de les troballes mitjançant informes o xerrades, sembla interessant complementar el tradicional NSHT amb el MBI. No oblidem que es tracta de quantificar cada vegada millor l’efecte d’un exercici o tractament en el rendiment dels jugadors i d’ajudar els entrenadors a prendre millors decisions per incrementar la probabilitat de guanyar. La investigació ha d’arribar veritablement al camp.

Carlos Lago Peñas

Referències:

¹ Buchheit, M. (2016). 2016, 11, 551 – 554 3 4 Title: The numbers will love you back in return – I promise, International Journal of Sports Physiology and Performance, 11, 551-554.

² Hopkins, W.G. y A.M. Batterham (2016), Error Rates, Decisive Outcomes and Publication Bias with 200 Several Inferential Methods. Sports Medicine, 46(10): 1563-1573.

³ McCormack, J., B. Vandermeer, and G.M. Allan. (2013). How confidence intervals become confusion intervals. BMC Medical Research Methodology, 13:134.

⁴ Cohen, J (1994). Things I have learned (so far). American Psychologist, 45:1304-1312.

⁵ Hopkins, W.G. A spreadsheet for deriving a confidence interval, mechanistic inference and 207 clinical inference from a P value. Sportscience, 2007. 11, 16-20. DOI: 208 http://newstats.org/xcl.xls